ArtiÞcial neural networkSince the g

ArtiÞcial neural network
Since the gain-in nodeÕs input-output transformation
function determines the slope of the sigmoid curve, it
a¤ects the networkÕs prediction accuracy for the test set
(shown in Table 5). It was found that the network using
the leave-one-out procedure gave satisfactory performance
by using a gain value between 0.5 and 1.1 when
the number of hidden nodes is 20. In order to obtain an
optimum ANN model, various network architectures
were tested as shown in Table 6. The number of hidden
nodes (N) was an adjustable parameter that was
optimized by reducing the number used until the network
Õs prediction performance deteriorated or the best
prediction accuracy was found. It was found that 10 to
30 hidden nodes plus 1 bias node gave the best prediction
performance for the wine samples.
With a gain of 0.8 and 10 to 30 hidden nodes, the
ANNachieves good performance with a prediction rate
of 100%. It must be pointed out that the nodeÕs inputoutput
transformation function has a considerable effect
on the performance of ANN. If one adopts the
input-output transformation functions: f(x)
"1/(1#e(~9@h)) for the output layer and f(x)
"2/(1#e(~29@h))!1 for the hidden layer, the best
prediction rate of the ANN is only about 94.7% with
a gain of 1.0 and 20 hidden nodes (Table 7). Table 4

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาท ArtiÞcialตั้งแต่การแปลงอินพุต-เอาท์พุตกำไรใน nodeÕsฟังก์ชันกำหนดความชันของเส้นโค้ง sigmoid มันตั้ง a¤ects networkÕs ทำนายความถูกต้องสำหรับการทดสอบ(แสดงในตาราง 5) ก็พบว่าใช้เครือข่ายตอนลาออกหนึ่งให้ประสิทธิภาพที่น่าพอใจโดยค่ากำไรระหว่าง 0.5 และเมื่อ 1.1หมายเลขของโหนดที่ซ่อนเป็น 20 เพื่อรับการรุ่นแอนเหมาะสม ต่าง ๆ เครือข่ายสถาปัตยกรรมได้ทดสอบดังแสดงในตาราง 6 จำนวนซ่อนอยู่โหน (N) เป็นพารามิเตอร์สามารถปรับที่ได้เพิ่มประสิทธิภาพ โดยลดจำนวนที่ใช้จนถึงเครือข่ายÕs ทำนายประสิทธิภาพการทำงานเสื่อมสภาพหรือดีที่สุดพบทำนายแม่นยำ พบว่า 10 เพื่อซ่อนโหน 30 บวก 1 ตั้งโหนให้คำทำนายที่ดีที่สุดประสิทธิภาพของตัวอย่างไวน์มีกำไร 0.8 และโหนดที่ซ่อน 10-30 การANNachieves ดีประสิทธิภาพกับอัตราการคาดเดา100% ต้องชี้ให้เห็นที่ nodeÕs inputoutputฟังก์ชันการแปลงมีผลมากประสิทธิภาพของแอน ถ้าหนึ่ง adopts การฟังก์ชันการแปลงอินพุต-เอาท์พุต: f(x)"1/(1#e(~9@h)) ชั้นออกและ f(x)" 2 / (1 #e (ส่วน ~29@h)) ! 1 ในชั้นซ่อน ดีที่สุดอัตราการคาดเดาของแอนจะประมาณ 94.7% ด้วยกำไรของ 1.0 และ 20 ซ่อนโหน (ตาราง 7) ตาราง 4

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทArtiÞcialเนื่องจากกำไรในnodeÕsการเปลี่ยนแปลงนำเข้าส่งออกฟังก์ชั่นจะเป็นตัวกำหนดความลาดชันของเส้นโค้งsigmoid มันa¤ectsความถูกต้องทำนายnetworkÕsชุดทดสอบ(แสดงในตารางที่ 5) มันก็พบว่าเครือข่ายโดยใช้ขั้นตอนหนึ่งลาออกให้ผลการดำเนินงานที่น่าพอใจโดยใช้ค่ากำไรระหว่าง0.5 และ 1.1 เมื่อจำนวนโหนดที่ซ่อนอยู่คือ20 เพื่อที่จะได้รับที่ดีที่สุดแบบจำลองANN สถาปัตยกรรมเครือข่ายต่างๆได้มีการทดสอบเป็นแสดงในตารางที่ 6 จำนวนซ่อนโหนด (N) เป็นพารามิเตอร์ที่ปรับเพิ่มประสิทธิภาพโดยการลดจำนวนนำมาใช้จนเครือข่ายOS ประสิทธิภาพการทำนายหรือเสื่อมคุณภาพที่ดีที่สุดถูกต้องทำนายก็พบว่า มันก็พบว่าที่จะ 10 วันที่ 30 ซ่อนพร้อมโหนด 1 โหนดอคติให้การคาดการณ์ที่ดีที่สุดประสิทธิภาพการทำงานสำหรับตัวอย่างไวน์. ด้วยกำไร 0.8 และ 10-30 โหนดที่ซ่อนที่ANNachieves ผลงานที่ดีมีอัตราการคาดการณ์ของแท้100% มันจะต้องชี้ให้เห็นว่าnodeÕs InputOutput ฟังก์ชั่นการเปลี่ยนแปลงมีผลกระทบอย่างมากต่อประสิทธิภาพการทำงานของแอน หากหนึ่งในกฎหมายฟังก์ชั่นการเปลี่ยนแปลงนำเข้าส่งออก: f (x) "1 / (1 ​​# อี (~ 9 @ เอช)) ชั้นออกและ f (x)" 2 / (1 ​​# อี (~ 29 @ เอช) ) 1 ชั้นที่ซ่อนที่ดีที่สุดอัตราการคาดการณ์ของแอนเป็นเพียงประมาณ94.7% และมีกำไร1.0 และ 20 โหนดที่ซ่อนอยู่ (ตารางที่ 7) ตารางที่ 4

ผลลัพธ์ (ไทย) 3:

แห่งÞ่เครือข่ายประสาท
ตั้งแต่ได้รับในโหนดÕ s ฟังก์ชันการแปลง
วิธีการกำหนดความชันของเส้นโค้งแบบมัน
เป็น¤ผลการÕเครือข่ายการคาดการณ์ความถูกต้องสำหรับชุดทดสอบ
( แสดงในตารางที่ 5 ) พบว่าเครือข่ายการปล่อยออกจากกระบวนการให้

พอใจประสิทธิภาพโดยใช้ได้ค่าระหว่าง 0 และ 1.1 เมื่อ
โหนดที่ซ่อนอยู่คือ 20เพื่อรับ
ที่แอนแบบต่างๆสถาปัตยกรรมเครือข่าย
ทดสอบ ดังแสดงในตารางที่ 6 จำนวนของโหนดที่ซ่อน
( N ) คือ การปรับค่าพารามิเตอร์ที่เหมาะสม โดยการลดจำนวนการใช้

Õจนกว่าเครือข่ายของการทำนายประสิทธิภาพเสื่อมโทรมหรือความถูกต้องทำนายที่ดีที่สุด
ถูกพบ พบว่า 10

30 ซ่อนโหนดโหนดให้บวก 1 อคติ
ทำนายที่ดีที่สุดการแสดงสำหรับไวน์ตัวอย่าง
ที่มีอัตราขยายของ 0.8 และ 10 โหนดที่ซ่อน 30
annachieves ประสิทธิภาพที่ดีกับการพยากรณ์อัตรา
100% มันจะต้องชี้ให้เห็นว่า โหนดÕ S inputoutput
ฟังก์ชันการเปลี่ยนแปลงมีผลมาก
ต่อการปฏิบัติงาน ของ แอน ถ้าใช้วิธีการการแปลงฟังก์ชัน
: f ( x )
" 1 / 1 # E ( ~ 9 @ ) H ) สำหรับการแสดงผลชั้นและ f ( x )
2 / 1 # E ( ~ 8 @ ) H )1 สำหรับชั้นซ่อน ดีที่สุด
ทำนายคะแนนของแอนประมาณ 94.7 %
ได้รับของ 1.0 และ 20 โหนดที่ซ่อนอยู่ ( ตารางที่ 7 ) ตารางที่ 4